人工鱼群算法优化支持向量机的无线传感器网络节点定位

为了提高无线传感器的定位精度,针对支持向量机(SVM)参数优化问题,提出一种人工鱼群算法(AFSA)优化SVM的传感器节点定位方法(AFSA-SVM)。首先构建无线传感器定位模型的学习样本,然后采用SVM构建节点定位模型,并采用AFSA模拟鱼群的觅食、聚群及追尾行为找到最优SVM参数,最后采用仿真实验测试节点的定位性能。结果表明,相对于其他定位方法,AFSASVM提高了传感器节点的定位精度,具有一定的实际应用价值。     

基于分布式网络的定位算法研究

在建立大型分布式的网络系统时,要想系统能够高效率的运行将会是一个非常大的挑战,必须克服Internet的不稳定性、多变性,并且根据网络性能,智能地选择相应的路由来通信,随着网络规模扩大,要想获得这些参数的全部准确数值是不切实际的。GNP利用节点坐标和距离函数来计算网络距离,不会为了测量距离附带产生很多的通信流量,在优化性能上是一种轻量级的算法机制。     

基于支持向量机的无线传感器网络节点定位算法

机器学习是利用经验来改善自身性能的一种学习方法,而支持向量机(support vector machine, SVM)作为机器学习中的一种新模式,在解决小样本、非线性及高维模式识别等方面有着其特有的优势.基于支持向量机的节点定位算法利用机器学习算法的特性,实现无线传感网络节点定位.其基本思路是将网络区域划分为若干个等分的小格,每一小格代表机器学习算法中一个确定的类别,机器学习算法在学习了已知的信标节点对应的类别后,对未知节点所处位置进行分类,从而进一步确定未知节点的位置坐标.仿真实验表明,“一对一”节点定位算法有较高的定位精度,对测距误差的容忍性较好,同时对信标节点的比例要求并不高,比较适合用于信标节点稀疏的网络环境中;而“决策树”节点定位算法受覆盖空洞的影响并不大,比较适合应用于节点分布不均匀或者存在覆盖空洞的网络环境中.     

无线传感器网络分布式节点定位算法研究

深入分析比较了在无线传感器网络领域中有代表性的4种分布式定位算法,着重关注了算法的能量消耗问题。节点的能量消耗主要由计算和通讯开销组成,对于算法的计算复杂度和通讯开销,做出了定量的分析。在此基础上,对未来的研究与算法的改进提出了建议。     

基于SVM的WSN移动节点定位算法

针对现有移动传感器网络定位存在错误率较高的问题,提出一种基于向量机技术的网络定位算法。该算法通过向量机技术建立节点测量向量与其位置的关系,节点根据新观察到的信息过滤掉不符合要求的取值范围。使节点持有其之前的运动轨迹样本点集,通过牛顿插值的方法计算其位置方向并更新节点样本点集,样本点通过向量机计算和纠正其坐标位置,从而实现节点的预测定位。仿真实验结果表明,与传统算法相比,该算法在锚节点较少、节点运动速度较快的情况下能保持较低的定位错误率。     

无线传感器网络的节点定位算法

无线传感器网络作为一种全新的信息采集和处理方式,节点位置的确定是无线传感器网络应用的基础。结合无线传感器网络节点定位算法的性能评价以及分类方式,通过分析典型DV-Hop算法的误差产生,提出改进方案,并利用仿真环境验证。     

无线传感器网络的三维定位算法研究

在分析无线传感器网络的结构模型的基础上,提出了一种基于支持向量机(SVM)的新型传感器三维定位算法.利用SVM算法能够在高维空间对非线性样本进行分类的优点,通过各传感器节点估测其与锚节点间的距离作为特征向量,最终对未知节点所属立方体空间进行分类来实现定位未知节点.实验结果表明:该算法达到了88％的平均定位准确率,而且对锚节点密度和距离误差具有较低的依赖性,验证了算法具有实用性.     

基于SVM分类区域的传感器网络节点自定位算法

针对无线传感器网络(WSN)低成本、低功耗的要求,提出了一种基于支持向量机(SVM)分类区域的距离无关的定位算法,首先SVM通过对训练数据的学习构造一个二叉决策树分类器,然后该分类器将未知节点的位置确定在某一分类区域中,最后取这一区域的中心作为节点的估计位置。该算法仅仅需要网络连通性信息（即跳数）,降低了网络成本和通信负荷。仿真表明该算法在保证一定的定位精度下,有效减轻了覆盖漏洞和边缘问题。     

基于AFSA-LSSVM的三维传感器节点定位

为了提高三维无线传感器的定位精度,针对最小二乘支持向量机（LSSVM）参数优化问题,提出了一种人工鱼群算法（AFSA）优化LSSVM的传感器点定位方法（AFSA-LSSVM）.首先构建三维无线传感器定位模型的学习样本,然后采用LSSVM构建三维节点定位模型,并采用AFSA模拟鱼群的觅食、聚群及追尾行为找到最优LSSVM参数,最后采用仿真实验测试节点的定位性能.结果表明,相对于其它定位方法,AFSA-LSSVM提高了传感器节点的定位精度,具有一定的实际应用价值.     

环境监测无线传感器网络节点定位算法研究

无线传感器网络节点的定位技术是其关键技术之一,具有十分重要的地位。传感器节点采集到的数据必须结合其位置信息才有意义。结合环境监测无线传感器网络,通过对节点定位的基本原理和近几年国内外典型定位算法的分析研究,采用信号强度测距（RSSI）方法对其进行节点定位。为了提高定位精度,进一步对该方法进行了算法改进及节点坐标修正,最终实现了对目标的有效定位。通过仿真结果分析比较表明该方法平均定位误差小,是一种可行的定位算法。     

模糊分类系统的邻域原理设计算法

使用支持向量机算法直接求海量数据的模糊分类系统是相当困难的.为了解决这个问题,提出了基于邻域原理设计模糊分类系统的方法.将支持向量机的理论建立在距离空间上,设计出了计算支持向量的邻域算法;利用所求的支持向量,基于平分最近点方法设计出了求分类超平面的算法,求出模糊分类系统,该算法优于基于支持向量机直接求模糊分类系统的方法.实验结果说明,该方法可有效地解决对海量数据的模糊分类系统的设计问题.     

支持向量机训练算法比较研究

论文介绍了一种年轻的机器学习方法——支持向量机,详细论述了目前主要的支持向量机的训练算法,包括:二次规划算法,分解算法和增量算法。通过实验验证了普通二次规划算法的缺陷,比较了三种典型的SVM分解训练算法的性能,说明了其相对于二次规划算法的优点和对SVM训练问题的适用性,指出了训练速度优劣的原因。最后指出了未来支持向量机训练算法研究的方向。     

支持向量机训练和实现算法综述

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,支持向量机已成为目前研究的热点,并在模式识别、回归分析、函数估计等领域有了广泛的应用。该文在介绍了支持向量机的目前研究、应用状况和新进展的基础上,对支持向量机训练和实现算法进行了综述,最后指出了进一步研究和应用亟待解决的一些问题。     

基于几何思想的快速支持向量机算法

为了快速地进行分类,根据几何思想来训练支持向量机,提出了一种快速而简单的支持向量机训练算法——几何快速算法。由于支持向量机的最优分类面只由支持向量决定,因此只要找出两类样本中所有支持向量,那么最优分类面就可以完全确定。该新的算法根据两类样本的几何分布,先从两类样本的最近点开始;然后通过不断地寻找违反KKT条件的样本点来找出支持向量;最后确定最优分类面。为了验证新算法的有效性,分别利用两个公共数据库,对新算法与SMO算法及DIRECTSVM算法进行了实验对比,实验结果显示,新算法的分类精度虽与其他两个方法相当,但新算法的运算速度明显比其他两个算法快。     

无线传感器网络节点定位系统与算法的研究和发展

介绍了无线传感器网络节点定位的概念和原理,节点定位计算的一般过程．讨论了传感器网络各种定位系统常用的测距技术与节点定位计算的基本方法,对几种典型的定位算法进行了定性比较．介绍了节点定位系统与算法的最新发展,对传感器网络节点定位系统和算法进行了必要的总结和概括．     

计算SVM判别函数值的方法

当支撑矢量或待判别的样本很多时,支撑矢量机(SVM)算法对判别函数值的直接计算会影响整个SVM算法的速度．国外对于SVM的训练算法研究很深入,但判别函数值的算法研究很少．文中将从减少判别值计算的复杂性入手,提出矢量替换法(主要针对线性SVM)、正交矢量法(主要针对非线性SVM)的判别值计算算法．     

基于边界向量的支持向量机增量算法

提出了一种新的基于边界向量的增量式支持向量机学习算法。该算法根据支持向量的几何分布特点,采用边界向量预选取方法,从增量样本中选取最有可能成为支持向量的样本形成边界向量集,在其上进行支持向量训练。通过对初始样本是否满足新增样本KKT条件的判断,解决非支持向量向支持向量的转化问题,有效地处理历史数据。针对UCI标准数据集上的仿真实验表明,基于边界向量的增量算法可以有效地减少训练样本数,积累历史信息,具有更高的分类速度和更好的推广能力。     

Convergence of a Generalized SMO Algorithm for SVM Classifier Design

Convergence of a generalized version of the modified SMO algorithms given by Keerthi et al. for SVM classifier design is proved. The convergence results are also extended to modified SMO algorithms for solving -SVM classifier problems.     

基于改进支持向量机的Wi-Fi室内定位算法

针对室内复杂环境下无线信号不稳定、传统支持向量机定位算法计算复杂度高等难题,为了提高室内的定位精度,提出一种改进支持向量机的Wi-Fi室内定位算法。采用核主成分分析对特征进行降维处理,提取有用信息、降低计算量,采用支持向量机构建定位特征与物理位置的非线性映射模型,并采用粒子群算法对模型参数进行优化,进行了仿真实验。结果表明,该算法提高了室内定位精度和效率。